🤖 machine learning

Enhancing Symbolic Regression and Universal Physics-Informed Neural Networks with Dimensional Analysis

本文提出了一个将量纲分析（具体为 Buckingham $\Pi$ 定理和 Ipsen 方法）与符号回归以及通用物理信息神经网络相结合的框架，旨在降低计算成本、减少过拟合，并显著提高从有限或噪声数据中发现控制方程的准确性。

原作者： Lena Podina, Diba Darooneh, Joshveer Grewal, Mohammad Kohandel

发布于 2026-06-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Lena Podina, Diba Darooneh, Joshveer Grewal, Mohammad Kohandel

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图破解一个美味蛋糕的秘密配方，但你手里只有一份原料清单和最终的味道，却没有说明书。你想写出那个将这些原料转化为味道的精确数学公式。这就是科学家们所说的符号回归（Symbolic Regression）：利用计算机去发现那些解释世界运作方式的隐藏数学方程。

然而，这项任务就像是在试图于一座山那么大的草堆中寻找一根特定的针。计算机必须猜测数十亿个可能的公式，这需要很长时间，而且经常会导致错误答案（过拟合）。

这篇论文介绍了一个巧妙的技巧，让这种搜索变得更容易且更准确：量纲分析（Dimensional Analysis）。你可以把它想象成一个“单位翻译器”，它剥离了那些令人困惑的标签（比如米、秒或千克），只专注于数字之间纯粹的关系。

以下是作者如何通过简单的类比来实现这一目标的：

1. 问题：变量太多

想象一下，你正在尝试预测一辆汽车的速度。你可能会观察发动机大小、汽车重量、风速、胎压以及驾驶员的情绪。这是五个不同的变量。如果你试图寻找一个连接这五个变量的公式，那会变得一团糟。

2. 解决方案：“白金几率（Buckingham Π）”与“Ipsen”过滤器

作者使用了两种特定的方法（以其发明者 Buckingham 和 Ipsen 命名）来简化问题。

类比： 想象你在烤蛋糕。与其担心面粉的具体克数或温度的具体摄氏度，你会意识到真正重要的是面粉与糖的比例，以及热量与时间的比例。
论文的做法： 他们将复杂的数据转换成了这些“无量纲组”（即这些比例）。突然之间，计算机不再需要同时处理五个变量，而只需要观察两三个变量。这就像把那个巨大的草堆缩小成了一小堆干草。

3. 实验：代数方程（“配方”测试）

首先，团队在简单的数学公式（如重力或球体下落）上测试了这一方法。

结果： 当他们把“原始”数据（带有单位的）输入给计算机时，计算机经常猜错或者耗时很长。但当他们输入“比例”数据（无量纲数据）时，计算机几乎每次都能找到完全正确的公式，而且速度更快。这就像是给了计算机一张地图，而不是蒙上它的眼睛。

4. 高级测试： “部分已知”之谜 (UPINNs)

接下来，他们挑战了一个更难的任务：微分方程。微分方程描述了事物随时间变化的方式，比如兔子种群的增长，或是绕着圆环旋转的珠子。

场景： 假设你知道一半的配方（例如，你知道兔子种群是如何自然增长的），但你不知道另一半（例如，有多少兔子被狐狸吃掉了）。
工具： 他们使用了一种特殊的 AI，叫做 UPINN（通用物理信息神经网络）。你可以把 UPINN 想象成一个“聪明的猜测者”，它能根据数据学习缺失的那部分配方。
转折点： 他们在“聪明猜测者”观察数据之前，先应用了他们的“比例过滤器”（量纲分析）。
结果：
- 没有过滤器时： 这个“聪明猜测者”表现挣扎，尤其是在数据带有噪声（比如配方中有一些烧焦的碎屑）时。它无法清晰地推断出缺失的部分。
- 有了过滤器后： 这个“聪明猜测者”能更准确地找到缺失的部分。因为数据已被简化为纯粹的比例，计算机不会被噪声或单位所迷惑。

5. 大获全胜：“洛特卡-沃尔泰拉（Lotka-Volterra）”案例

在他们最复杂的测试（捕食者-猎物模型）中，他们展示了通过使用他们的方法，可以将未知部分的方程减少到仅剩零个额外变量。

类比： 通常你可能会认为缺失的配方取决于温度、湿度和时间。但他们的方法表明，实际上，缺失的部分仅取决于捕食者与猎物的比例。它剥离了所有不必要的杂乱信息，留下了一个清晰透明、简单的公式。

总结

该论文声称，通过在要求计算机寻找数学公式之前，将现实世界的数据转化为“纯粹的比例”（无量纲数字），你可以：

更频繁地找到正确答案。
做得更快，因为需要检查的可能性变少了。
更好地处理噪声数据（比如带有少量错误的配方）。
即使在只知道部分物理规律的情况下也能奏效，通过帮助 AI 找到缺失的环节。

本质上，他们并没有发明一种新型的计算机；他们只是教会了计算机用一种更简单、更“符合物理学规律”的方式来看待问题，从而让发现自然界奥秘的工作变得更加容易。

技术摘要：通过量纲分析增强符号回归与 UPINN

问题陈述
在工程和应用数学领域，从实验数据中推导出准确且具有解释性的数学模型对于控制与优化至关重要。符号回归（Symbolic Regression, SR）已成为一种强大的工具，能够直接从数据中发现闭式方程，而无需预设假设。然而，SR 面临着显著挑战：它是一个 NP 难问题，其特征是搜索空间极其庞大，从而导致高昂的计算成本、缓慢的收敛速度以及在高噪声或有限数据集下的高过拟合风险。此外，标准的 SR 算法通常难以强制执行物理一致性（量纲齐次性）。虽然以往的研究已将量纲分析集成到 SR 中，但这些工作大多局限于完全已知的方程，或者未能系统地论证在“部分已知”场景下（即微分方程的部分项已知，而其他项未知时）进行无量纲化的益处。

方法论
作者提出了一个将量纲分析（特别是 Buckingham $\Pi$ 定理和 Ipsen 方法）与符号回归及通用物理信息神经网络（Universal Physics-Informed Neural Networks, UPINNs）相结合的框架。该方法分为两个主要工作流：

代数方程的全量发现：
作者将 Buckingham $\Pi$ 定理与 PySR 符号回归算法相结合。他们证明了在回归之前，将原始量纲数据转换为无量纲 $\pi$ 项可以减少输入变量的数量。这一过程简化了搜索空间，确保候选表达式是基于无量纲组而非原始变量构建的，从而自动消除了量纲不一致的表达式。
微分方程的部分知识发现（主要贡献）：
针对微分方程部分已知（例如 $du/dt = P(u,t) + Q(u,t) $，其中$ P $已知而$ Q$ 未知）的情景，作者引入了一个创新的流水线：
- 通过 Ipsen 方法进行无量纲化： 不同于旨在最小化 $\pi$ 项总数的 Buckingham $\Pi$ 定理，Ipsen 方法允许通过特定选择无量纲常数，来最小化出现在未知项 $Q$ 中的输入变量数量。这是通过迭代消除未知分量中的量纲来实现的。
- UPINN 近似： 使用通用物理信息神经网络（UPINN）对无量纲化后的数据进行训练，以恢复隐藏项 $Q$ 。UPINN 学习将 $Q$ 表示为仅与相关无量纲组相关的函数，从而显著降低了函数逼近任务的复杂度。
- 符号回归： 将 UPINN 的输出（近似的隐藏项）输入到符号回归算法（PySR）中，以寻找无量纲隐藏项的闭式表达式。
- 恢复： 最终的无量纲方程可以通过映射回原始量纲变量，从而恢复出控制方程。

该框架在三个不同的案例上进行了测试：扩展逻辑斯谛增长模型（一阶 ODE）、旋转珠模型（二阶 ODE）以及扩展 Lotka-Volterra 系统（耦合 ODEs）。实验在无噪声和有噪声条件下均进行了。

核心贡献

将 Buckingham $\Pi$ 与 SR 集成： 本文证明了将 Buckingham $\Pi$ 定理与 PySR 结合，能显著提高恢复代数方程的准确性，通常在原始公式失效的情况下仍能实现精确恢复。
新型部分知识流水线： 作者引入了一个集成 Ipsen 方法、UPINNs 和 SR 的流水线。该方法通过在学习之前降低未知部分的输入维度，专门针对微分方程中未知项的恢复。
系统性验证： 研究通过多种微分方程类型对原始数据与无量纲化数据的 SR 性能进行了系统比较，显示出在误差指标和方程恢复率方面的持续改进。

结果

代数方程： 在应用于七个代数方程时，无量纲化使 PySR 能够在几乎所有情况下精确恢复真实的底层方程（具有极小的 MSE），而原始公式经常无法泛化或产生错误的表达式。例如，在库仑定律的案例中，无量纲化将问题简化为单个 $\pi$ 项，从而实现了精确恢复。
微分方程（逻辑斯谛增长）： 对于扩展逻辑斯谛增长模型，UPINN 在原始形式和无量纲形式下都能成功恢复隐藏项。然而，针对无量纲数据的符号回归能以高精度恢复真实表达式 ( $\alpha^2/(\alpha^2+1)$ )，而针对原始数据的 SR 即使增加数据量也无法找到正确的形式。这种优势在噪声条件（ $\epsilon=0.05$ 和 $\epsilon=0.1$ ）下依然存在，无量纲方法产生的 MSE 显著更低。
微分方程（旋转珠）： 在旋转珠模型中观察到了类似的结果。无量纲化方法使 PySR 能够恢复真实方程 ( $-\epsilon \sin \theta + \sin \theta \cos \theta$ )，而原始公式则导致高 MSE 和错误的表达式。
微分方程（Lotka-Volterra）： 在扩展 Lotka-Volterra 系统中，未知项被简化为两个无量纲变量 ( $x, y$ ) 的无参数函数。虽然 UPINN 在两种情况下都能准确学习隐藏项，但 PySR 在两种形式下都难以恢复精确的有理函数，尽管无量纲方法仍产生了较低的损失值。作者指出，这可能是因为数据集缺乏足够的信息来区分基准真值与其他相似表达式。

意义与主张
本文声称，将量纲分析与符号回归相结合，为自动发现控制方程提供了一个鲁棒的框架，特别是在数据有限或存在噪声的情况下。通过将搜索空间缩小到无量纲组，该方法降低了计算成本，减轻了过拟合，并确保了物理可解释性。作者强调，与统计压缩方法（如 PCA）不同，量纲分析保留了量之间的不变关系。

作者谦逊地将这项工作定位为概念验证。他们承认，该方法依赖于诸如完全已知的输入变量和量纲矩阵等假设，而在实际应用中可能需要处理隐藏或未观测到的变量。他们还指出，虽然该流水线提高了性能，但并不保证在每一个复杂的场景中都能发现真实的方程（如 Lotka-Volterra 的结果所示）。建议未来的工作包括放宽这些假设、创建基于现实世界数据的基准测试，以及研究不同无量纲化策略对算法性能的具体影响。